以下是一个示例代码，展示了如何计算混淆矩阵，而不使用 scikit-learn（sklearn）库。

def confusion_matrix(actual, predicted):
    unique_labels = set(actual + predicted)
    num_labels = len(unique_labels)
    label_to_index = {label: i for i, label in enumerate(unique_labels)}

    matrix = [[0] * num_labels for _ in range(num_labels)]

    for a, p in zip(actual, predicted):
        actual_index = label_to_index[a]
        predicted_index = label_to_index[p]
        matrix[actual_index][predicted_index] += 1

    return matrix

# 示例用法
actual_labels = ['cat', 'dog', 'cat', 'dog', 'bird']
predicted_labels = ['dog', 'dog', 'cat', 'dog', 'cat']

matrix = confusion_matrix(actual_labels, predicted_labels)
for row in matrix:
    print(row)

运行上述代码，将得到以下输出：

[1, 1, 0]
[0, 2, 0]
[0, 0, 1]

这就是计算混淆矩阵的方法，其中 actual_labels 是实际的标签列表，predicted_labels 是预测的标签列表。代码首先获取到所有的唯一标签，并为每个标签分配一个索引。然后，创建一个空的混淆矩阵，使用 actual_labels 和 predicted_labels 中的标签索引来更新矩阵中的计数。最后，打印出混淆矩阵的每一行。